Name: divergence of root microbiota in different habitats based on weighted correlation networks
Uploaded: 2021-09-25T13:30:00
Description: Watch this Scientific Journal Video about Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks at JoVE.com

Utvecklingen av detta manuskript stöddes av medel från National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doctoral Research Project of Guizhou Normal University (GZNUD[2017]1), science and technology support project of Guizhou Province (QKHZC[2021]YB459) och Guiyangs vetenskaps- och teknikprojekt ([2019]2-8).
Författarna vill tacka Edwards J.A et al för att ha tillhandahållit rismikrobiomdata i offentliga databaser och stöd från TopEdit (www.topeditsci.com) för dess språkliga hjälp under utarbetandet av detta manuskript.

1. Nedladdning av data
<ol><li>Ladda ner uppgifterna från prjna386367 för anslutning från NCBI:s databas. Av uppgifterna om anslutningen PRJNA386367, välj rhizosfär, rhizoplan och endosfär mikrobiomdata från risväxter som odlats i 14 veckor i ett nedsänkt risfält i Arbuckle, Kalifornien 2014. OBS: Rhizosfären, rhizoplan och endosfärens mikrobiomdata presenterades av OTUs-tabellen i anslutning PRJNA386367.</li>
</ol>2. Optimal bestämning av effektvärde
W...

<ol>
	<li>Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, W. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Going+back+to+the+roots:+the+microbial+ecology+of+the+rhizosphere.">Going back to the roots: the microbial ecology of the rhizosphere.</a> Nature Reviews Microbiology. 11, 789-799 (2013).</li><li>Fierer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Embracing+the+unknown:+disentangling+the+complexities+of+the+soil+microbiome.">Embracing the unknown: disentangling the complexities of the soil microbiome.</a> Nature Review Microbiology. 15 (10), 579-590 (2017).</li><li>Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Temporal+and+spatial+dynamics+of+bacterial+community+in+the+rhizosphere+of+soybean+genotypes+grown+in+a+black+soil.">Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil.</a> Pedosphere. 19 (6), 808-816 (2009).</li><li>Ma, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization.">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12 (10), 2492-2505 (2018).</li><li>de Vries, F. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Soil+bacterial+networks+are+less+stable+under+drought+than+fungal+networks.">Soil bacterial networks are less stable under drought than fungal networks.</a> Nature Communications. 9 (1), 3033 (2018).</li><li>Colin, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Correlating+transcriptional+networks+to+breast+cancer+survival:+a+large-scale+coexpression+analysis.">Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis.</a> Carcinogenesis. (10), 2300-2308 (2013).</li><li>Ma, B., Zhao, K., Lv, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization.">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12, 2492-2505 (2018).</li><li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+general+framework+for+weighted+gene+co-expression+network+analysis.">A general framework for weighted gene co-expression network analysis.</a> Statistical applications in genetics and molecular biology. 4 (1), (2005).</li><li>Edwards, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Compositional+shifts+in+root-associated+bacterial+and+archaeal+microbiota+track+the+plant+life+cycle+in+field-grown+rice.">Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice.</a> PLoS Biology. 16 (2), 2003862 (2018).</li><li>Bashan, Y., De-Bashan, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+the+Plant+Growth-Promoting+Bacterium+Azospirillum+Promotes+Plant+Growth-A+Critical+Assessment.">How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment.</a> Advances in Agronomy. 108, 77-136 (2010).</li><li>Lovley, D. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Geobacter:+The+Microbe+Electric's+Physiology,+Ecology,+and+Practical+Applications.">Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications.</a> Advances in Microbial Physiology. 59, 1 (2011).</li><li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=WGCNA:+an+R+package+for+weighted+correlation+network+analysis.">WGCNA: an R package for weighted correlation network analysis.</a> BMC Bioinformatics. 9, 559 (2008).</li><li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+General+Framework+for+Weighted+Gene+Co-expression+Network+Analysis.">A General Framework for Weighted Gene Co-expression Network Analysis.</a> Statistical Applications in Genetics and Molecular Biology. 4 (1), 17 (2005).</li><li>Horvath, S., Dong, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Geometric+interpretation+of+Gene+Co-expression+Network+Analysis.">Geometric interpretation of Gene Co-expression Network Analysis.</a> PLoS Computational Biology. 4 (8), 1000117 (2008).</li><li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Eigengene+networks+for+studying+the+relationships+between+co-expression+modules.">Eigengene networks for studying the relationships between co-expression modules.</a> BMC Systems Biology. 1, 54 (2007).</li><li>Horvath, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analysis+of+Oncogenic+Signaling+Networks+in+Glioblastoma+Identifies+ASPM+as+a+Novel+Molecular+Target.">Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).</li><li>Carlson, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=and+Sequence+Conservation:+Predictions+from+Modular+Yeast+Co-expression+Networks.">and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks.</a> BMC Genomics. 7 (1), 40 (2006).</li><li>Fuller, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Weighted+Gene+Co-expression+Network+Analysis+Strategies+Applied+to+Mouse+Weight.">Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight.</a> Mammalian Genome. 6 (18), 463-472 (2007).</li><li>Yin, L., Wang, Y., Lin, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Explorative+analysis+of+the+gene+expression+profile+during+liver+regeneration+of+mouse:+a+microarray-based+study[J].">Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J].</a> Artificial Cells Nanomedicine &amp; Biotechnology. 47 (1), 1113-1121 (2019).</li><li>Oldham, M., Horvath, S., Geschwind, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Conservation+and+Evolution+of+Gene+Co-expression+Networks+in+Human+and+Chimpanzee+Brains.">Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).</li><li>Oldham, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+organization+of+the+transcriptome+in+human+brain.">Functional organization of the transcriptome in human brain.</a> Nature Neuroscience. 11 (11), 1271-1282 (2008).</li><li>Keller, M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+gene+expression+network+model+of+type+2+diabetes+links+cell+cycle+regulation+in+islets+with+diabetes+susceptibility.">A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility.</a> Genome Research. 18 (5), 706-716 (2008).</li><li>Weston, D., Gunter, L., Rogers, A., Wullschleger, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Connecting+genes,+coexpression+modules,+and+molecular+signatures+to+environmental+stress+phenotypes+in+plants.">Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants.</a> BMC Systems Biology. 2 (1), 16 (2008).</li><li>Jorda&#180;n, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Keystone+species+and+food+webs.">Keystone species and food webs.</a> Biological Sciences. 364, 1733-1741 (2009).</li><li>Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Host-Bacterial+Mutualism+in+the+Human+Intestine.">Host-Bacterial Mutualism in the Human Intestine.</a> Science. 307, 1915-1920 (2009).</li></ol>

Korrelationsnätverk har i allt högre grad använts i bioinformatikapplikationer. WGCNA är en systembiologisk metod för beskrivande analys av relationerna mellan olika element i ett biologiskt system12. R mjukvarupaket användes i tidigare arbete på WGCNA13,14,15. Paketet innehåller funktioner för nätverkskonstruktion, moduldetektering, beräkningar av topologiska egenskaper, datasimulering, visual...

Mikrobiomforskning har viktiga konsekvenser för att förstå och manipuleraekosystemprocesser 1,2. Mikrobiella populationer är sammankopplade genom samverkande ekologiska nätverk, vars egenskaper kan påverka mikroorganismers reaktion på miljöförändringar3,4. Dessutom påverkar egenskaperna hos dessa nätverk stabiliteten hos mikrobiella samhällen och är nära förknippade med markfunktion5. Viktad genkorrelationsnätverksanalys har nu tillämpats i stor utsträckning för forskning om förhållandet mellan gener och mikrobiella samhällen6. Tidigare studier har främst fokuserat på sambanden mellan nätverk av olika gener eller populationer och omvärlden7. Skillnaderna i korrelationsnätverk som bildats av mikrobiella populationer under olika miljöförhållanden har dock knappast undersökts. Syftet med den forskning som presenteras i detta dokument är att ge insikter och detaljer om den snabba implementeringen av WGCNA-algoritmen för att konstruera ett samförekomstnätverk av mikrobiomprover som samlats in under olika miljöförhållanden. Baserat på analysresultaten bedömde vi populationens sammansättning och skillnader och diskuterade vidare förhållandet mellan olika mikrobiella populationer. Följande grundläggande flöde av viktad korrelationsnätverksalgoritm8 tillämpades. För det första behövde en likhetsmatris konstrueras genom att beräkna Pearson-korrelationskoefficienten mellan OTU-uttrycksprofilerna (Operational Taxonomic Units). Sedan antogs parametrarna för angränsande funktioner (kraften eller de sigmoid angränsande funktionerna) med ett skalfritt topologikriterium, likhetsmatrisen omvandlades till en angränsande matris och varje samförekomstnätverk motsvarade en angränsande matris. Vi använde genomsnittlig länkning hierarkisk klustring i kombination med TOM-baserade skillnader för att gruppera OTUs med sammanhängande uttrycks profiler i moduler. Vidare beräknade vi förhållandet mellan konservativ statistik och relaterade parameteranalysmoduler och identifierade slutligen navet OTU i modulen. Dessa metoder är särskilt lämpliga för analys av skillnaderna i nätverksstrukturer mellan olika mikrobiella populationer under olika miljöförhållanden. I detta manuskript har vi i detalj beskrivit metoden för samuttrycksnätverksutveckling, analysen av skillnaderna mellan modulerna och har gett en kort översikt över stegen i det förfarande som tillämpas för att erhålla kärnarterna i olika modulnätverk.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>R</td>
			<td>The University of Auckland</td>
			<td>version 4.0.2</td>
			<td>R is a free software environment for statistical computing and graphics. It compiles and runs on a wide variety of UNIX platforms, Windows and MacOS.</td>
		</tr>
		<tr>
			<td>RStdio</td>
			<td>JJ Allaire</td>
			<td>version 1.4.1103</td>
			<td>The RStudio IDE is a set of integrated tools designed to help you be more productive with R and Python.</td>
		</tr>
		<tr>
			<td>Cytoscape</td>
			<td></td>
			<td>version 3.7.1</td>
			<td>Cytoscape is an open source software platform for visualizing complex networks and integrating these with any type of attribute data.</td>
		</tr>
		<tr>
			<td>NCBI database</td>
			<td></td>
			<td></td>
			<td>The National Center for Biotechnology Information advances science and health by providing access to biomedical and genomic information.</td>
		</tr>
	</tbody>
</table>

divergence of root microbiota in different habitats based on weighted correlation networks

Rotmikrobiomet spelar en viktig roll för växttillväxt och miljöanpassning. Nätverksanalys är ett viktigt verktyg för att studera samhällen, som effektivt kan utforska interaktionsrelationen eller samförekomstmodellen för olika mikrobiella arter i olika miljöer. Syftet med detta manuskript är att ge detaljer om hur man använder den viktade korrelationsnätverksalgoritmen för att analysera olika samförekomstnätverk som kan uppstå i mikrobiella samhällen på grund av olika ekologiska miljöer. All analys av experimentet utförs i WGCNA-paketet. WGCNA är ett R-paket för viktad korrelationsnätverksanalys. De experimentella data som användes för att demonstrera dessa metoder var mikrobiella samhällsdata från NCBI-databasen (National Center for Biotechnology Information) för tre nischer av risrotsystemet (Oryza sativa). Vi använde den viktade korrelationsnätverksalgoritmen för att konstruera co-abundance nätverk av mikrobiell gemenskap i var och en av de tre nischerna. Sedan identifierades differentiella samförekomstnätverk bland endosfär, rhizoplan och rhizosfärjord. Dessutom erhölls kärnsläktet i nätverket genom WGCNA-paketet, som spelar en viktig reglerad roll i nätverksfunktionerna. Dessa metoder gör det möjligt för forskare att analysera mikrobiellt nätverks svar på miljöstörningar och verifiera olika mikrobiella ekologiska svarsteorier. Resultaten av dessa metoder visar att de betydande differentierade mikrobiella nätverk som identifierats i risens endosfär, rhizoplan och rhizosfär.

De representativa resultaten i denna artikel laddades ner från 2014 California Abaker risrot mikrobiom data i NCBI-databasen (PRJNA386367)9. Uppgifterna omfattar prover av rhizosfär, rhizoplan och endosfärmikrobiom från risplantor som odlats i 14 veckor i ett nedsänkt risfält. Vi använde WGCNA-algoritmen för att välja det effektvärde som tillfredsställde de tre nätverk som låg nära det skalfria nätverket (figur 1) och utvecklade tre samuttrycksnätverk ...

Watch this Scientific Journal Video about Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks at JoVE.com

Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks

Nätverksanalys tillämpades för att utvärdera associeringen av olika ekologiska mikrobiella samhällen, såsom jord, vatten och rhizosfär. Här presenteras ett protokoll om hur du använder WGCNA-algoritmen för att analysera olika samförekomstnätverk som kan uppstå i mikrobiella samhällen på grund av olika ekologiska miljöer.

Divergens av rotmikrobiota i olika livsmiljöer baserat på viktade korrelationsnätverk

The root microbiome plays an important role in plant growth and environmental adaptation. Network analysis is an important tool for studying communities, ...

Denna metod kan effektivt utforska det interaktiva förhållandet eller samförekomstnätverket för olika mikrobiella arter i olika miljöer. Den innehåller detaljer om hur du använder WGCNA-algoritmen för att konstruera ett samförekomstnätverk av mikrobiota. Dessutom, baserat på resultaten, bedömer denna metod differentiering av mikrobiella relationer och sammansättning mellan mikrobiella konsortier.Här är metodens grundläggande flöde. Sammansättnings- och överflödsdata för mikrobiota laddas ner från NCBI-databasen eller sekvensdata för dina prover. Öppna först RStudio-programvaran och installera WGCNA-paketet.Ladda sedan data och använd funktionen goda prover gener för att kontrollera att data är korrekta. Kolla efter avvikande värden och lagra prover som uppfyller våra krav. När kontrollresultatet är sant fortsätter du till nästa steg.Spara resultatet. Använd funktionen plockningströskel för att beräkna skalfritt index, R kvadratiskt, för data under olika effektvärden. Visualisera resultaten.När det skalfria indexet är närmare ett är nätverksstrukturen närmare det skalfria nätverket. När det skalfria indexet R i kvadrat är större än 0,9 väljer du effektvärdet. Slutligen använder du samma metod för att analysera resten av mikrobiomdata.Använd först hjälpfunktionen för att konstruera ett symboliskt samförekomstnätverk. Dessutom använder du funktionen TOM-likhet för att utveckla ett topologiskt, överlappande nätverk. För det andra använder du funktionen Hclust för att utföra hierarkisk klustring och rita det resulterande klusterträdet.För det tredje använder du cutree-dynamisk funktion för att utföra dynamisk grenskärning och använder parametern min-klusterstorlek för att ställa in den minsta modulstorleken. Den minsta modulstorleken är vanligtvis inställd över 30. För det fjärde, beräkna den mikrobiella egenskapen hos varje modul.Hierarkisk klustring utförs enligt korrelationskoefficienten, och moduler med en höjd på mindre än 0,25 slogs samman för att hämta fördelningen av varje modul. För det femte använder du plot dendro och färgfunktionen för att visualisera resultaten. Tilldelningsvisningsdiagrammet för nätverksmodulen med förekomst erhålls.Byt sedan namn på modulfärgerna och konstruera digitala etiketter som motsvarar färgerna. Spara dem för användning i efterföljande delar. Upprepa slutligen ovanstående process för andra datamängder.Jämför och analyserar i den här delen de två uppsättningarna data och utför konserveringstestet. Läs först in parametrarna och resultaten för de två datamängder som sparats i föregående steg. Ange sedan modulresultaten för en datauppsättning som referensgrupp, en annan som testgrupp och utför moduljämförelsen.Beräkna sedan värdena för konservativhet, statistiska parametrar, Z-sammanfattning och medianrankning för att kvantifiera konservativiteten mellan moduler. Slutligen visualisera resultaten. Bestäm nätverksmodulen som uppfyller både Z-sammanfattningsvärdet, mindre än två, och medianrankningsvärdet högst upp.Den här modulen är den mest bevarade modulen i de två mikrobiotadata. Utför korrelationsanalys av modulmedlemskapet. Ange modul tilldelnings resultaten för två nätverk som referens respektive test grupp.Inställningarna måste vara desamma som bevarandetestet. För det första beräknades KME-värdet för varje OTU i flera kandidatmoduler baserat på resultaten av konserveringstestet. Ta den gula modulen som exempel.Beräkna korrelationskoefficienten för KME-värdet i de två gula modulerna och rita sedan korrelationsanalysdiagrammet för KME-värdet i modulen. Slutligen, enligt korrelationskoefficienten i figuren, bedöma modulens konservativhet i de två datauppsättningarna. Välj modulen med den minsta korrelationskoefficienten.Använd först exportnätverket till Cytoscape-funktionen för att exportera nätverket till en kant- och nodlistfil som Cytoscape kan läsa. Importera sedan filen till Cytoscape. Ställ in tröskelvärdet på 0,5 och justera andra parametrar efter behov.Slutligen får du ett samförekomstnätverk av olika mikroorganismer. I den här artikeln används WGCNA-algoritmen för att analysera skillnaderna i tre nischer i risrotssystemet. Välj det energivärde som uppfyllde de tre nätverken som låg nära det skalfria nätverket.I ettdosfär-, rhizoplan- och rhizosfärens mikrobiella förekomstnätverk identifierar du 23, 22 respektive 21 modeller. Använd konserveringstestet och korrelationsanalysen för att hitta de extremt icke-konservativa modulerna mellan var och en av risrotssystemets två nischer. Konstruera ett samförekomstnätverk för dessa tre moduler med olika färger för att representera olika mikrobiella fylum.Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes och Verrucomicrobia dominerade de tre olika mikrobiella nätverken. Dessutom reglerar 17 kärngener huvudsakligen dessa nätverk. När du har tittat på den här videon bör du ha en god förståelse för hur du utför en serie steg för att använda WGCNA-algoritmen för att analysera olika samförekomstnätverk som kan uppstå i mikrobiella samhällen på grund av olika ekologiska miljöer.

Research

JoVE Journal

Biology

How to Culture, Record and Stimulate Neuronal Networks on Micro-electrode Arrays (MEAs)

How to Culture, Record and Stimulate Neuronal Networks on Micro-electrode Arrays MEAs

Hur Kultur, Spela in och stimulera neurala nätverk på mikro-elektrod Arrays (MEA)

For the last century, many neuroscientists around the world have dedicated their lives to understanding how neuronal networks work and why they stop ...

Bioengineering Human Microvascular Networks in Immunodeficient Mice

Bioteknik mänskliga Microvascular Networks i immundefekta möss

The future of tissue engineering and cell-based therapies for tissue regeneration will likely rely on our ability to generate functional vascular networks ...

Lateral Root Inducible System in Arabidopsis and Maize

Lateral Root Inducible System in Arabidopsis and Maize

Lateral Root inducerbara systemet i<em&gt; Arabidopsis</em&gt; Och Maize

Lateral root development contributes significantly to the root system, and hence is crucial for plant growth. The study of lateral root initiation is ...

Using Digital Image Correlation to Characterize Local Strains on Vascular Tissue Specimens

Med hjälp av digital bild Korrelation att karaktärisera lokala stammar på Kärlvävnadsprover

Characterization of the mechanical behavior of biological and engineered soft tissues is a central component of fundamental biomedical research and ...

A Method to Assess Bacteriocin Effects on the Gut Microbiota of Mice

En metod för att bedöma bakterie-cin-effekter på musens tarmmikrobiota

Very intriguing questions arise with our advancing knowledge on gut microbiota composition and the relationship with health, particularly relating to the ...

SA-&#946;-Galactosidase-Based Screening Assay for the Identification of Senotherapeutic Drugs

SA-ÃƒÆ’Ã…Â½Ãƒâ€šÃ‚Â²-Galactosidase-Based Screening Assay for the Identification of Senotherapeutic Drugs

SA-β-Galaktosidasbaserad screening analys för identifiering av Senoterapeutiska läkemedel

Cell senescence is one of the hallmarks of aging known to negatively influence a healthy lifespan. Drugs able to kill senescent cells specifically in cell ...

Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography

Micron-skala fenotypning tekniker för majs kärlknippena baserat på röntgen Microcomputed tomografi

It is necessary to accurately quantify the anatomical structures of maize materials based on high-throughput image analysis techniques. Here, we provide a ...

Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing

Microbiota analys med två steg PCR och nästa generations 16S rRNA Gene sekvensering

The human gut is colonized by trillions of bacteria that support physiologic functions such as food metabolism, energy harvesting, and regulation of the ...

Quantification of Skeletal Muscle Fatty Infiltration via Decellularization

Decellularization-Based Quantification of Skeletal Muscle Fatty Infiltration

Decellularization-Based Quantification of Skeletal Muscle Fatty Infiltration (Video) | JoVE 

Decellulariseringsbaserad kvantifiering av skelettmuskelfettinfiltration

Fatty infiltration is the accumulation of adipocytes between myofibers in skeletal muscle and is a prominent feature of many myopathies, metabolic ...

One-Step Hairy Root Transformation Method for Advancing Root-Related Biology

An Efficient and Reproducible Method for Producing Composite Plants by Agrobacterium rhizogenes-Based Hairy Root Transformation

Streamlining Composite Plant Production via Agrobacterium rhizogenes-Mediated Hairy Root Transformation (Video) | JoVE

En effektiv och reproducerbar metod för att producera sammansatta växter genom Agrobacterium rhizogenes-baserad hårig rottransformation

Producing composite plants with transgenic roots and nontransgenic stems and buds using Agrobacterium rhizogenes-mediated hairy root transformation is a ...